論文の概要: EEG-SCMM: Soft Contrastive Masked Modeling for Cross-Corpus EEG-Based Emotion Recognition
- arxiv url: http://arxiv.org/abs/2408.09186v2
- Date: Thu, 31 Jul 2025 07:35:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:08.023747
- Title: EEG-SCMM: Soft Contrastive Masked Modeling for Cross-Corpus EEG-Based Emotion Recognition
- Title(参考訳): EEG-SCMM:クロスコーパス脳波を用いた感情認識のためのソフトコントラストマスケッドモデリング
- Authors: Qile Liu, Weishan Ye, Lingli Zhang, Zhen Liang,
- Abstract要約: クロスコーパス脳波に基づく感情認識の課題を解決するために,ソフトコントラスト・マスクド・モデリング(SCMM)と呼ばれる新しいフレームワークを提案する。
SCMMは、ソフトコントラスト学習とハイブリッドマスキング戦略を統合し、感情力学を効果的に捉える。
実験では、SCMMは、同じクラスと異なるクラスのクロスコーパス設定の両方で平均4.26%の精度を達成する。
- 参考スコア(独自算出の注目度): 0.862468061241377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Emotion recognition using electroencephalography (EEG) signals has attracted increasing attention in recent years. However, existing methods often lack generalization in cross-corpus settings, where a model trained on one dataset is directly applied to another without retraining, due to differences in data distribution and recording conditions. To tackle the challenge of cross-corpus EEG-based emotion recognition, we propose a novel framework termed Soft Contrastive Masked Modeling (SCMM). Grounded in the theory of emotional continuity, SCMM integrates soft contrastive learning with a hybrid masking strategy to effectively capture emotion dynamics (refer to short-term continuity). Specifically, in the self-supervised learning stage, we propose a soft weighting mechanism that assigns similarity scores to sample pairs, enabling fine-grained modeling of emotional transitions and capturing the temporal continuity of human emotions. To further enhance representation learning, we design a similarity-aware aggregator that fuses complementary information from semantically related samples based on pairwise similarities, thereby improving feature expressiveness and reconstruction quality. This dual design contributes to a more discriminative and transferable representation, which is crucial for robust cross-corpus generalization. Extensive experiments on the SEED, SEED-IV, and DEAP datasets show that SCMM achieves state-of-the-art (SOTA) performance, outperforming the second-best method by an average accuracy of 4.26% under both same-class and different-class cross-corpus settings. The source code is available at https://github.com/Kyler-RL/SCMM.
- Abstract(参考訳): 脳波(EEG)信号を用いた感情認識は近年注目を集めている。
しかし、既存の手法では、データ分散と記録条件の違いにより、あるデータセットでトレーニングされたモデルをトレーニングせずに他のデータセットに直接適用する、クロスコーパス設定での一般化が欠如していることが多い。
クロスコーパス脳波に基づく感情認識の課題を解決するために,ソフトコントラスト・マスケッド・モデリング(SCMM)と呼ばれる新しいフレームワークを提案する。
SCMMは、感情の連続性の理論に基づいて、ソフトコントラスト学習とハイブリッドマスキング戦略を統合し、感情のダイナミクスを効果的に捉える(短期連続性を参照)。
具体的には、自己指導型学習段階において、類似度スコアをサンプルペアに割り当て、感情遷移のきめ細かいモデリングを可能にし、人間の感情の時間的連続性を捉えるソフト重み付け機構を提案する。
表現学習をさらに強化するため,一対の類似性に基づく意味的関連サンプルからの相補的情報を融合する類似性認識アグリゲータを設計し,特徴表現性や再構成品質を向上させる。
この双対設計はより差別的で伝達可能な表現に寄与し、堅牢なクロスコーパス一般化に不可欠である。
SEED、SEED-IV、DEAPデータセットの大規模な実験により、SCMMは最先端(SOTA)のパフォーマンスを達成し、同じクラスと異なるクラスの両方のクロスコーパス設定において、平均4.26%の精度で2番目のベストメソッドを上回ります。
ソースコードはhttps://github.com/Kyler-RL/SCMMで入手できる。
関連論文リスト
- ISAM-MTL: Cross-subject multi-task learning model with identifiable spikes and associative memory networks [6.240145569484483]
脳波のクロスオブジェクト変動は、現在のディープラーニングモデルの性能を低下させる。
本稿では,識別可能なスパイキング(IS)表現と連想メモリ(AM)ネットワークに基づくマルチタスク学習(MTL)脳波分類モデルISAM-MTLを提案する。
論文 参考訳(メタデータ) (2025-01-30T02:00:48Z) - Joint Contrastive Learning with Feature Alignment for Cross-Corpus EEG-based Emotion Recognition [2.1645626994550664]
我々は,クロスコーパス脳波に基づく感情認識に対処するために,特徴アライメントを用いた新しいコントラスト学習フレームワークを提案する。
事前学習段階では、脳波信号の一般化可能な時間周波数表現を特徴付けるために、共同領域コントラスト学習戦略を導入する。
微調整の段階では、JCFAは脳電極間の構造的接続を考慮した下流タスクと共に洗練される。
論文 参考訳(メタデータ) (2024-04-15T08:21:17Z) - Joint Multimodal Transformer for Emotion Recognition in the Wild [49.735299182004404]
マルチモーダル感情認識(MMER)システムは、通常、単調なシステムよりも優れている。
本稿では,キーベースのクロスアテンションと融合するために,ジョイントマルチモーダルトランス (JMT) を利用するMMER法を提案する。
論文 参考訳(メタデータ) (2024-03-15T17:23:38Z) - AI enhanced data assimilation and uncertainty quantification applied to
Geological Carbon Storage [0.0]
本稿では,Surrogate-based hybrid ESMDA (SH-ESMDA)を導入し,Surrogate-based hybrid ESMDA (SH-ESMDA)について述べる。
また,SurrogateをベースとしたHybrid RML(SH-RML)も導入する。
以上の結果より,SH-RMLは従来のESMDAと比較して不確実性が高いことが示唆された。
論文 参考訳(メタデータ) (2024-02-09T00:24:46Z) - Mixture of Coupled HMMs for Robust Modeling of Multivariate Healthcare
Time Series [7.5986411724707095]
隠れマルコフモデル(M-CHMM)を結合した新しいモデルのクラスを提案する。
モデル学習を実現するために、CHMM内の潜伏変数のシーケンスをサンプリングする2つのアルゴリズムを導出する。
既存の推論手法と比較して,アルゴリズムは計算可能であり,混合性が向上し,推定精度が向上する。
論文 参考訳(メタデータ) (2023-11-14T02:55:37Z) - Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。
EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。
本研究では,協調拡散回復可能性 (CDRL) を提案する。
論文 参考訳(メタデータ) (2023-09-10T22:05:24Z) - Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in
Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。
MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
論文 参考訳(メタデータ) (2023-07-26T06:52:29Z) - Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical
Fusion for Multimodal Affect Recognition [69.32305810128994]
モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。
本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。
HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
論文 参考訳(メタデータ) (2023-05-23T01:24:15Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳(メタデータ) (2023-04-04T17:54:32Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - Using Explainable Boosting Machine to Compare Idiographic and Nomothetic
Approaches for Ecological Momentary Assessment Data [2.0824228840987447]
本稿では,非線形解釈型機械学習(ML)モデルを用いた分類問題について検討する。
木々の様々なアンサンブルは、不均衡な合成データセットと実世界のデータセットを用いて線形モデルと比較される。
2つの実世界のデータセットのうちの1つで、知識蒸留法は改善されたAUCスコアを達成する。
論文 参考訳(メタデータ) (2022-04-04T17:56:37Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。